Ficha de modelos predictivos

Modelo selectivo: no intenta pronosticar todos los partidos como apuesta fuerte. Parte del 05, añade mercado cuando hay cuotas y aprende un umbral de confianza; si no lo supera escribe 50/50.

• Features completas del 05
• Cuotas moneyline, spread y total si existen
• Probabilidad implícita del mercado
• Diferencia mercado vs Elo
• Umbral mínimo de confianza

• Nace para mejorar el porcentaje de acierto sin obligarse a apostar todos los partidos.
• Calcula una probabilidad cruda y mide la confianza del ganador como max(prob_local, prob_visitante).
• Si la confianza no alcanza el umbral aprendido, reemplaza la predicción por 50/50.
• Los 50/50 quedan fuera del ranking de acierto evaluable porque no hay favorito claro.

• Elo previo local/visitante y diferenciales.
• Descanso, back-to-back y contexto de calendario.
• Forma rolling de equipo a 10 partidos.
• Perfiles rolling de jugadores, top 8 y profundidad.
• Plantillas actuales y exclusión de lesionados para futuros.

• odds_available: indica si el partido tiene cuota válida.
• moneyline_local y moneyline_visitante.
• market_prob_local y market_prob_visitante, normalizadas quitando overround.
• market_prob_diff, market_favorite_local, market_confidence y market_overround.
• spread_local, spread_visitante y total_puntos cuando existen.
• elo_prob_local_proxy, diff_market_elo_prob y abs_diff_market_elo_prob para comparar mercado contra Elo.

• Prueba umbrales de confianza de 0.50 a 0.90.
• Exige cobertura mínima configurable, actualmente 25%.
• Optimiza acierto seleccionado con una pequeña prima por cobertura para no quedarse con muy pocos partidos.
• En producción guarda el umbral dentro del bundle ensemble_selectivo.pkl.

• Regresión logística selectiva.
• HistGradientBoosting selectivo.
• ExtraTrees selectivo.
• RandomForest selectivo.
• Selecciona por rendimiento en calibración de predicciones seleccionadas.

• Acierto global al 0.5 mide el modelo crudo en todos los partidos.
• Acierto seleccionado mide solo los partidos que superan el umbral.
• Cobertura seleccionada indica qué porcentaje de partidos se atreve a pronosticar.
• No es justo compararlo con el 05 solo por acierto si no se mira también cobertura.

• Las cuotas históricas solo son válidas si representan una cuota conocida antes del partido.
• Si se cargan cuotas posteriores o cierre de mercado sin timestamp prepartido, el modelo puede estar viendo información futura.
• La feature odds_available ayuda a no eliminar partidos sin cuota, pero no arregla una cuota contaminada.
• El backtest walk-forward reduce contaminación de entrenamiento, pero depende de que los datos fuente estén fechados correctamente.

Backtest walk-forward: entrena, calibra el umbral y prueba por ventanas temporales.

Menos predicciones, pero con mayor acierto en las seleccionadas.

No debe compararse por cobertura con modelos que predicen todo. Las cuotas historicas solo son limpias si proceden de snapshots prepartido.

• Todas las del 05
• cuota_partidos
• porcentajes_victoria

• 01_python/03_modelos/07_ensemble_selectivo/modeling.py
  Features de cuotas, candidatos y lógica selectiva.
• 01_python/03_modelos/07_ensemble_selectivo/01_train.py
  Entrena el 07 y selecciona umbral de confianza.
• 01_python/03_modelos/07_ensemble_selectivo/03_backtest.py
  Backtest walk-forward OOF y escritura de predicciones 50/50 cuando no selecciona.
• 01_python/03_modelos/07_ensemble_selectivo/02_apply_future.py
  Aplica el 07 a futuros con cuotas y lesiones.